量子机器学习：网络安全防护的新工具

• 量子计算威胁着当前所有的网络安全协议。

• 但是，量子机器学习凭借其处理海量数据集的能力，可能提供更强大的网络安全形式。

• 各机构应开始为新的量子格局进行长期规划。

随着量子计算成为现实，我们正见证量子经济的形成。多家公司已经在提供量子即服务和云端量子服务。然而，生态系统很快将包括许多其他服务，例如量子电路优化或效率顾问服务。我们将看到建立在这一基础之上的商业模式、行业、次级技术和产品。价格将会下降，可获得性将会提高，包括降低准入门槛。

量子计算将对多个行业产生重大影响，包括金融业——金融机构将借助量子技术增强其现有的金融预测；以及制药业——通过利用量子计算机进行模拟，药物发现和优化将得到增强。量子计算是一种新范式，代表着提出问题和构建解决方案的革命性方式。许多新方法将基于它而建立，它将推动众多领域发生巨大变革。

出于多种原因，量子计算与机器学习（ML）的结合，即量子机器学习（QML），具有非常高的潜力。这两个领域的核心都存在不确定性，而这一劣势在量子领域转化为优势。机器学习的内在不精确性，使得在输入规模和计算速度方面，能够计算出原本无法实现的结果——此外，还有一个存在高度模糊性的应用领域（例如，在图像分类中，“猫”和“狗”的概念并无明确定义）。量子计算的概率性本质，是许多算法的一大障碍，却与这些特性很好地契合。基于这些原因，量子机器学习正在成为量子计算在学术界之外最早的应用之一。因此，学术界、产业界和政府的利益相关方已经对量子机器学习表现出相当大的兴趣。

量子网络安全

我们的数字生态系统中的网络安全十分薄弱。企业和政府已经面临诸多威胁，并且正努力保障其计算环境的安全。从概念上讲，这些威胁包括资金充足、动机强烈的恶意行为者、网络犯罪即服务，以及国家支持的活动——例如恐怖主义、网络战和工业间谍活动。

量子计算有可能使形势恶化。在威胁中加入量子计算能力，可能使恶意行为者更加有效。例如，量子计算提供的新计算选项，可能使其更容易发现可被利用的安全漏洞，或诱使现有的机器学习和量子机器学习模型做出攻击者所期望的行为。

达沃斯 AM23 - 量子引力临界点 - 英文版

46:15

然而，局面并非完全黯淡。人工智能和机器学习已被用于实现网络安全目标并防范威胁已有一段时间。机器学习能够检测异常行为，或识别恶意电子邮件或可执行代码。在大多数情况下，这些应用在训练阶段需要海量数据。因此，用于网络安全的传统机器学习资源消耗非常大且成本高昂。不过，过去十年的创新，无论是在硬件方面（如张量处理单元），还是在人工智能模型方面（如各种形式和风格的ChatAI和ImageAI），都降低了机器学习的成本，从而使市场产品的开发更具可持续性。

量子机器学习有可能显著提高模型训练阶段的效率，使机器学习成为更有效的安全工具。由于纠缠和叠加等量子计算的内在特性，海量数据集的处理可以得到便利和简化。尽管目前数据编码和加载到量子计算机中的问题仍未解决，阻碍了当前利用量子计算机处理大量数据，但我们充分期待产业界能够在未来十年内克服这些挑战。

现实世界中的机器学习

在学术界，网络安全量子机器学习基于模拟取得了进展。然而，模拟在某个时点会有所不足，需要进行真实世界的测试。电子邮件垃圾信息检测可以被视为一个基准：其原理已被充分理解，复杂度不高，并且可用的有效训练数据非常丰富。Capgemini与弗劳恩霍夫智能分析与信息系统研究所（Fraunhofer IAIS）合作，使用实际的量子计算机进行了垃圾邮件过滤。虽然该方法目前不具备成本效益，但它展示了可能实现的成果，以及在网络安全量子机器学习中使用当今量子设备的优势和劣势。

我们可以预见量子机器学习在网络安全中的其他用途，例如绘制关键基础设施或网络犯罪生态系统的图谱。整合这些应用将使量子机器学习成为防御者的高效工具。

保持领先于量子发展曲线

鉴于量子计算的现状，网络安全企业在近期内无需制定将量子计算融入日常业务运营的具体计划。尽管如此，量子计算生态系统正在不断演进，近期取得了重大进展（例如谷歌展示了首个量子纠错算法）以及相关产品（例如IBM拥有433个量子比特的Osprey芯片）。与此同时，研究项目正在突破从纯理论到模拟、再到实际量子实验的壁垒。这些变化不仅意味着我们可以减少量子计算的炒作，还意味着我们很快将拥有可靠的数据点，用以预测量子计算的近期前景。

投资量子计算需要长远眼光，实际回报不会在近期实现。然而，等待他人承担负担，会带来准备不足和落后于发展曲线的风险。即将到来的这场变革很可能会使毫无准备的机构在其冲击之下遭受重创。

总之，网络安全行业正在发生变化，这反映了更广泛数字生态系统的变化。虽然我们无法确切说明量子机器学习将如何融入网络安全运营，但我们可以预见其作为安全工具的效用。鉴于网络安全的整体状况，这一天的到来不能再迟了。